《高效R语言编程》7--高效优化
软件配置
需要使用C++编译器，安装方法取决于操作系统，Linux：一般安装了R就会安装了；Mac：Xocode；Windows：Rtools，与版本要对应。需要用到的包：microbenchmark, ggplot2movies, profvis, Rcpp
代码分析
首先是确定哪个是瓶颈，Rprof()是可以分析的一个内置工具，但是这个结果不确定，取决于外部环境，这里推荐profvis。
开始profvis
install.packages(c("profvis", "ggplot2movies")
library(profvis)
profvis({
data(movies,package = "ggplot2movies") # 加载数据
movies <- movies[movies$Comedy ==1,]
plot(movies$year, movies$rating)
model <- loess(rating ~ year, data = movies) # 回归
j <- order(movies$year)
lines(movies$year[j], model$fitted[j]) # 图中增加线
})
结果显然是回归共了最多的时间，也是可以理解的。
高效的基础R
改善性能的标准方式和替代方法
if与ifelse函数
marks <- runif(n=10e6, min=30, max=99)
system.time({
result1 <- ifelse(marks >= 40, "pass", "fail")
})
# 用户 系统 流逝
2.64 0.06 2.70
system.time({
for (mark in marks) {
if(mark >= 40) {result2 <-"pass"}else{result2 <- "fail"}
}
})
# 用户 系统 流逝
0.61 0.00 0.61
排序和排名
sort()函数有三种算法，shell, quick和radix，部分排序可以带来三倍速度提升，例如加partial=1:10参数。
逆向排序
decreasing = TRUE，比rev(sort(x)）快10%。
哪个索引是TRUE
which()
将因子转换成数值
逻辑AND与OR
&和|是向量化的，非向量版本的&&和||，只在必要情况下执行第二个条件，注意不要使用它们操作向量。
行和列操作
apply()家族，rowSums()和colSums()。
is.na与anyNA
想了解一具向量是否包含任何缺失值，anyNA()更高效。
矩阵
数据框中提取行比矩阵中慢约150倍。有没有见过显示n是6L，而不是6的情况，L是一个简写，用于生成 一个整型，应该是long吧，R中数值是以双精度存储的。整数可以比小数存储空间节约一倍，更进一步节约空间是用bit包。
稀疏矩阵
仅保存非0对象
并行计算
library(parallel)
detectCores()
# 8
apply函数的并行版本
parapply() 等，多了一个cl函数指定CPU个数。是建立一个集群的意思，用完要停止，防止内存泄漏。
cl <- makeCluster(8)
...
on.exit(stopCluster(cl)) # 如出错也退出，另一个常见用法，配合par()使用
Linux和macOS下的并行代码
使用mclapply()和mcmapply()，可以运行于win，但只用单核。优点是不必启动和停止集群对象。
Rcpp
C++是一个现代、快速并具有较强支持度的语言，包含各种库。Rcpp提供了一个友好的API，编写高性能代码，C++中瓶颈的典型是地址循环与递归函数。cppFunction()可以转换成R代码。
add_r <- function(x, y) x * y # R语言版
# C++版
library(Rcpp)
cppFunction(
double add_cpp(double x, double y){
double value = x * y;
return value
})
z <- microbenchmark(add_r(199999, 888888), add_cpp(199999, 888888))
有一点效果，不是太明显